[发明专利]用于交通流量预测的卷积神经网络多点回归预测模型

权利要求书

1.用于交通流量预测的卷积神经网络多点回归预测模型，其特征在于，包括如下步骤：

(1)第一感知输入层：训练数据的输入，通常需要转换成矩阵形式；

(2)第二卷积层：对输入层数据进行卷积，通过激活函数后输出；

(3)多层卷积层：对上一层的输出作为输入进行卷积处理，通过激活函数后输出；

(4)第四全链接层：上一层的输出为输入，“全链接层”实现特征向量的回归计算，在该层设置Q个节点，把卷积层得到的矩阵全部拼接成一唯向量，再映射成Q个节点上，作权重组合；

(5)第五丢弃层：“随机丢弃层”舍弃一些冗余的神经元，保留上层全链接节点的40％-70％，

(6)第六输出层：丢弃层的有效节点输出进行回归计算，得到的回归数值就是整个网络的输出，共设置m个输出节点，将第五丢弃层映射到输出层，作权重组合。

2.如权利要求1所述的用于交通流量预测的卷积神经网络多点回归预测模型，其特征在于：所述的多层卷积层为第三卷积层，所述的卷积网络为六层结构。

3.如权利要求1或2所述的用于交通流量预测的卷积神经网络多点回归预测模型，其特征在于：所述的第六输出层，即输出级联：将上一个输出节点的训练输出作为输入到下一个输出节点，反映了多点输出之间的时间序列关系。

4.如权利要求1或2所述的用于交通流量预测的卷积神经网络多点回归预测模型，其特征在于：卷积层的输出是通过上层的输入经过卷积来计算的,x_i，j是矩阵化后的第i行，第j列交通流数据，本文用来表示第k层卷积的特征图的第i行，第j列输出，为输入对应卷积权重，为卷积偏置项，t为卷积核的大小，用f()表示激活函数，选择Relu函数作为的激活函数，卷积层各节点函数如下：

。

5.如权利要求1或2所述的用于交通流量预测的卷积神经网络多点回归预测模型，其特征在于：所述的第六输出层包含m个节点，w_im表示第i个节点到第m输出节点的连接权重，b_im表示第i个节点到第m输出节点的连接偏置，w^m-1表示第m-1个输出节点到第m输出节点的连接权重，b^m-1表示第m-1个输出节点到第m输出节点的连接偏置，第六输出层各节点函数O_m如下：

O₁＝Relu(∑w_i1x+b_i1)

O₂＝Relu(w¹O₁+b¹+∑w_i2x+b_i2)

...

O_m＝Relu(w^m-1O_m-1+b^m-1+∑w_imx+b_im) 。

6.如权利要求1或2所述的用于交通流量预测的卷积神经网络多点回归预测模型，其特征在于：全链接层是一个前馈网络，通过卷积后的特征信息提取，进行回归的集成：

h³＝Relu(h²*ω³+b³)。 (2)。

7.如权利要求1或2所述的用于交通流量预测的卷积神经网络多点回归预测模型，其特征在于：丢弃层的实现就是将让神经元的激活值以概率p变为0，这样就可以屏蔽这些神经元，使其激活值为0以后，需要对神经元向量进行重构：

w^k＝p×w^k。

8.如权利要求1或2所述的用于交通流量预测的卷积神经网络多点回归预测模型，其特征在于：第一感知输入层是指将一维特征数据，将单维度的特征信息转化为m行n列k深度的二维矩阵，其中k是通道数，而m与n的乘积大小应等于原始特征大小。

9.如权利要求1或2所述的用于交通流量预测的卷积神经网络多点回归预测模型，其特征在于：所述的Q选取100-200之间。